零售业数据驱动决策:对企业绩效与消费者结果的影响
《Journal of Retailing and Consumer Services》:Data-driven decision-making in retail: Impacts on firm performance and consumer outcomes
【字体:
大
中
小
】
时间:2026年08月29日
来源:Journal of Retailing and Consumer Services 13.7
编辑推荐:
# 摘要与概念
大数据与高级分析已从根本上改变了零售业的战略格局。作为回应,各企业纷纷采用数据驱动决策(DDDM)模式,以此作为应对挑战的竞争武器。
## 研究目标
本研究考察了 DDDM 采用强度与两个结果之间的多维关系:企业绩效和消费者福利。同时,本研究还探究了公司
# 摘要与概念
大数据与高级分析已从根本上改变了零售业的战略格局。作为回应,各企业纷纷采用数据驱动决策(DDDM)模式,以此作为应对挑战的竞争武器。
## 研究目标
本研究考察了 DDDM 采用强度与两个结果之间的多维关系:企业绩效和消费者福利。同时,本研究还探究了公司规模和零售子行业如何调节这些关系。
## 研究方法
本研究采用混合方法设计,对美国六个子行业的 386 家零售企业进行了问卷调查,并就应用领域中的障碍对零售高管进行了访谈。定量方法包括多元回归分析、单因素方差分析和层级调节回归,并辅以对 1200 名消费者的调查,测量其隐私感知(β = 0.61, p < 0.001, R2 = 0.492)。层级建模证实,公司规模(ΔR2 = 0.026, p = 0.001)以及电子产品和杂货零售等专业细分领域起到了显著的正向调节作用。随着 DDDM 强度的增加,消费者满意度、商品可得性和购物体验质量均显著提升。然而,61.3% 的消费者表达了对过度数据收集的担忧,而 53.6% 的消费者承认个性化推荐提升了他们的购物体验,由此揭示出伴随显著信任赤字(仅 31.6% 的消费者表示信任)的 7.7 个百分点的隐私悖论。
## 研究应用
这些发现为零售管理者提供了跨应用领域的分析投资投资回报率(ROI)估计值(范围在 2.4× 至 3.2× 之间),同时识别出关键的基础设施瓶颈(52% 的遗留系统摩擦)。此外,研究还为政策制定者提供了数据治理框架的实证依据,并指导从业者在个性化收益与隐私保护之间寻求平衡。
## 引言
过去二十年间,全球零售格局经历了地震般的深刻变革,其驱动力来自数字技术的融合、无处不在的互联网连接以及消费者数据的指数级增长(Tatikonda 等人,2025)。那些曾经依赖管理直觉、历史先例和轶事式市场情报的企业,如今越来越多地被迫切向数据驱动决策(DDDM)转变——这是一种系统的组织范式,在此范式下,商业决策基于对结构化和非结构化数据的严谨分析(Kehinde,2025)。全球零售市场的历史演进凸显了一条清晰的轨迹,即从本地化的商家直觉向自动化数据智能转变。在二十世纪末,传统零售商通过基本的账本跟踪和人工库存评估来管理供应链。20 世纪 80 年代至 90 年代引入的基础条形码系统和早期电子数据交换确立了最初的结构化数字记录。进入 2000 年代初,客户忠诚度卡项目的部署使杂货连锁和百货商店得以建立庞大的消费者历史记录关系数据库。这一历史演进在 2010 年后的云计算时代达到了顶峰,将简单的数据存储扩展为实时预测分析引擎。然而,要将这一演进系统地锚定在经济学研究的约束框架内,早期企业资源规划(ERP)阶段的实证记录表明,中型企业的非自动化库存评估所遇到的人为错误容忍度平均值超过了 18.4%。早期零售探索研究的时间序列数据集显示,二十世纪末率先实施的条形码转换使供应链透明度参数迅速提升了高达 35.0%。此外,早期关系型忠诚度卡数据库的存档数据证实,最初的个性化框架所实现客户留存率增量相对有限,年均仅为 4.2%。这些基准参数与当代云基础设施形成了鲜明对比,后者能够在平均响应时间低于 120 毫秒的情况下处理 PB 级的实时交易数据。
获取和利用实时客户行为数据、供应链指标、竞争情报以及宏观经济信号的能力,已成为零售行业中市场领导者与落后者之间的关键区分因素。数据驱动的零售商运用预测分析来优化库存布局,采用机器学习算法实施动态定价,并利用行为细分技术在大规模上为消费者打造个性化体验(Alonge 等人,2023)。亚马逊的补货引擎、沃尔玛的供应链优化平台以及塔吉特(Target)的客户细分模型均展示了分析能力如何转化为持续的竞争优势、运营成本降低和市场份额扩张(Stecu?a 等人,2024)。然而,DDDM 的广泛应用也引发了同样重要的问题,即其对消费者福利、数据隐私和市场公平性的下游影响——这些问题在现有文献中尚未得到充分探讨。
将零售管理与既有公众参与和消费者投诉研究联系起来,揭示了数据依赖性的复杂特征。数字消费者行为方面的实证研究表明,当数据框架缺乏运营透明度时,信息不对称直接导致公众投诉。本研究采用的双重分析方法借鉴了 Zhao 等人(2024)的研究方法,他们利用结构方程模型与人工神经网络(SEM-ANN)框架来评估消费者行为中的信息依赖性。在这些既有框架中整合 DDDM 指数表明,数据基础设施充当的是主动客户参与的引擎,而非消费者疏离的工具。
公众参与研究领域的进展揭示,数字工具直接推动了透明度和协作治理。系统性的方法论降低了消费者对数据的焦虑感,将分析工具转变为主动消费者参与的引擎(Akbari,2025)。同样,公众投诉数据表明,算法公平性的崩溃会破坏市场的一致性。我们的实证测量揭示了这一系统性挑战:尽管 53.6% 的消费者证实分析驱动的个性化增强了购物体验,但 61.3% 的人报告了对过度数据收集的严重焦虑。这种运营摩擦引发了深层的信任赤字,仅有 31.6% 的受访者对企业数据管理实践表示信心。此外,实地数据证实了非透明模型的波动性;高管指标显示,动态定价算法在 47% 的实施企业中引发了消费者的反弹。通过借助关联性参与-投诉模型来评估这些动态,本研究证明,分析基础设施只有在明确的价值沟通抵消感知到的隐私风险时,才能释放竞争优势。
扩展理论框架确立了本研究的一致性与创新性。既往研究常通过碎片化的单学科方法将运营供给指标与行为需求参数割裂开来。本研究通过综合相互重叠的数据依赖性框架,超越了资源基础观和信息隐私理论的经典边界。我们将这些概念与更广泛的公众利益相关者治理和互动公正体系联系起来。这种理论整合将传统的基于交易的零售分析重构为协作共创模式。因此,我们的跨行业实证数据集确定了一个确切的 56.7% 的收入增长差异,同时伴随多变量消费者福利指数,建立了一种新的跨链接实证分析模型。这一转变解决了行业碎片化问题,证明内部企业效率资产直接依赖于外部用户信任和透明的价值沟通。
近期的实证研究表明,若不对数字能力在多利益相关者生态系统中产生的连锁影响进行映射,便无法对其进行评估。例如,利用 GMM-ANN 建模的高级研究已证实,组织的技术采用在零售平台上产生了显著的区域和本地差异。本研究直接扩展了这一研究方向,将内部技术执行与面向消费者的行为机制联系起来。通过整合我们来自 386 家零售企业和 1200 名消费者的实证结果,我们观察到高采用率企业的收入增长率加速至 12.64%。这一绩效在结构上与 4.70 分(满分 5.00 分)的客户满意度得分紧密关联。通过结构性地综合这些不同维度,我们的研究从增量式实证验证转变为数据驱动战略均衡的基础框架。
为以明确的行业指标支持这一转变,近期的硬件与数字服务部门参数表明,实体零售企业的直接技术投资年均增长 14.8%。现有的商业指数证明,实时预测需求引擎在仓库地面空间配置优化方面经经验证的平均值为 28.3%。与此同时,算法目标处理记录显示消费者交互密度大幅扩展了 3.4 倍。尽管取得了这些运营进步,追踪客户情绪的现场统计数据却揭示了一个关键的数据摩擦层。近三分之二的数字购物者主动执行保护性浏览器设置更改,而企业安全审计追踪到当透明度指数下降时,平台特定的隐私投诉激增了 58.0%。这些行业标准数值证明,数字引擎只有在具备稳健的交互式安全功能来保障用户环境时,才能产生结构性优势。
尽管零售分析领域的关注度日益增长,但学术文献仍呈现出碎片化的面貌。先前的研究探讨了 DDDM 的孤立方面,例如其对供应链绩效的影响(Wang 等人,2025)、客户关系管理(Regasse,2026)或定价策略(Xavier Uchida & Almeida de Magalhaes Cipparrone,2026),却未能对其对企业绩效和消费者结果的双重联合效应提供整合性评估。此外,大多数现有研究依赖于单一行业样本、自报绩效指标或纯定量设计,这些方法掩盖了零售 DDDM 采用过程中固有的战略复杂性和组织异质性。
当前研究中一个关键的、尚未被填补的空白是缺乏一个整合的实证框架来同时量化企业绩效指标和消费者福利结果。现有研究通过孤立地关注内部运营或外部消费者感知来呈现碎片化的视角。此外,学术界缺乏一个可靠的、多维度的指标来评估跨多种零售功能的部署深度。当前的实证研究由于过度依赖单一行业或单一国家的数据框架而可推广性有限。最后,被称为"隐私悖论"的战略紧张关系缺乏利用企业-消费者关联现场数据进行实证量化。
为应对这些明确存在的局限,本研究设定了三个具体的研究目标:
**研究目标 1**:量化 DDDM 采用强度与内部企业绩效结果之间的统计关系,包括收入增长、利润率和库存周转效率。
**研究目标 2**:评估 DDDM 实施对外部消费者福利结果的直接影响,重点关注客户满意度、感知价格公平性、商品可得性和整体购物体验质量。
**研究目标 3**:确定组织边界,特别是公司规模和零售子行业,如何调节 DDDM 基础设施与企业绩效及消费者结果之间的关系。
与这些核心目标一致,本研究围绕三个核心研究问题展开:
**研究问题 1**:结构化的 DDDM 采用强度在多大程度上能够预测多样化零售环境中的关键企业级绩效指标?
**研究问题 2**:组织的 DDDM 采用如何塑造面向消费者的结果,并影响系统性的消费者隐私感知?
**研究问题 3**:公司规模和特定的零售子行业以何种方式调节这些绩效与消费者关系的强度和方向?
本研究的意义跨越理论、方法论和实践三个领域。在理论上,本研究通过映射内部数据能力如何同时为企业和消费者产生正向外部性,推进了资源基础观和信息处理理论。在方法论上,我们引入并验证了一个全面的 12 项综合数据驱动决策指数(DDDM 指数),该指数超越了简单的二元指标,提供了细粒度的运营精度。在实践上,本研究为管理者提供了跨六个运营领域的实际投资回报率(ROI)估计值,以证明技术投资的合理性。最后,研究提供了关于消费者信任赤字的实证数据,以辅助政策制定者设计平衡的数据治理框架。
---
## 章节片段
### 理论框架
本文基于四种互补的理论视角:资源基础观(RBV)、动态能力、信息处理理论(IPT)和服务主导逻辑(S-D Logic)(Zhang 和 Su,2026;Wei 等人,2026;Qiao 等人,2026;Sun 等人,2024)。为防止理论重叠并确保完整的概念综合,我们阐明了每种理论的独特解释作用,以及它们之间的交互机制如何相互补充以预测我们双重企业-消费者的实证结果。
### 研究设计与样本
本研究采用混合方法汇聚式设计,将来自零售企业的大规模调查数据与结构化高管访谈及消费者感知调查相结合,遵循了 Ayan 等人(2022)和 Faisal 等人(2024)所描述的方法。为评估样本是否具有代表性、规模是否足够且不存在无响应或选择偏差,抽样架构基于分层随机抽样而非便利抽样或滚雪球抽样。
### 研究结果
我们的分析策略分四个连续步骤进行,每个步骤旨在解决一个特定的研究目标。步骤 1 涉及描述性统计和双变量相关分析(表 1、表 2、表 3),以确立数据的基本特性和关键变量之间的无条件关系。步骤 2 针对每个企业绩效结果(收入增长、利润率、库存周转)使用普通最小二乘法(OLS)回归模型来检验假设 1 和 2,运用……
### 理论贡献
本研究为零售分析文献做出了三个理论贡献。首先,我们通过实证证明分析能力作为一种有价值、稀有、难以模仿且不可替代(VRIN)的资源,同时推动企业绩效并产生消费者剩余,从而扩展了资源基础观。
此前关于零售业资源基础观(RBV)的研究主要聚焦于企业层面的结果;我们的研究还发现,数据驱动的决策制定(DDDM)也能提升消费者福利(满意度、产品可获得性)。结论:本文旨在对零售业中基于证据的决策制定进行详细的、基于实证的评价,并分析其对大型多行业样本中企业绩效和消费者福利的影响。研究结果有力地证明了,采用数据驱动的决策制定可被视为零售管理者最为有力的战略杠杆之一:它对收入增长的预测效应量(R2 = 0.567)已足够大。作者贡献声明:陈昀上:审阅与编辑、原创草稿撰写、可视化、验证、方法论。孙友泉:概念化、数据管理、调研、形式化分析、监督、资源。穆罕默德·伊什???:方法论、调研、数据管理、概念化。声明:作者声明不存在利益冲突。本研究未接受任何资助。利益冲突声明:作者声明不存在可能影响本文所报告工作的已知竞争性经济利益或个人关系。作者声明以下财务利益/个人关系可能被视为潜在的利益冲突。陈昀上|孙友泉|穆罕默德·伊什???,北京,100070,中国,首都经济贸易大学。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号